基于抗拟合深度学习的MIMO信道状态信息反馈方法技术

本发明专利技术公开了一种基于抗拟合深度学习的MIMO道状态信息反馈方法，属于通信领域，包括以下步骤：首先，构建AOCN模型，将信道矩阵分为实部和虚部分别输入进用户端的编码器，编码器包含卷积层、全连接层，数据经过编码经过反馈链路，到达接收端，在接收端的解码器包含抗拟合层，全连接层、RefineNet层、卷积层，最终输出预测的信道矩阵。AOCN模型构建完成后，将模型进行离线训练，首先初始化模型参数，误差收敛后保存模型，最后将训练好保存的AOCN模型在线进行预测信道状态信息。本发明专利技术可以进一步提高信息矩阵的恢复精度，保证系统发射端得到准确的信道状态信息，提高系统的通信质量。

【技术实现步骤摘要】
基于抗拟合深度学习的MIMO信道状态信息反馈方法
本专利技术涉及通信领域，尤其是一种基于抗拟合深度学习的大规模MIMO道状态信息反馈方法。
技术介绍
大规模多输入多输出(MIMO)技术作为第五代(5G)通信系统的关键技术，具有频谱效率高、系统容量大、系统鲁棒性强等优点，为保障信道估计得到的信道状态信息能够精确的反馈到发送端，MIMO系统相对于OFDM系统具有更高的数据传输速率，并且提高了系统的可靠性。因此，大规模的MIMO技术越来越受到工业界和学术界的关注。然而，大规模MIMO技术的显著优势在很大程度上取决于发射机可以获得下行链路的信道状态信息。在频分双工大规模MIMO系统中，基站需要通过接收端的反馈来获取下行CSI。然而，大规模天线阵列的使用导致了信道反馈开销的急剧增加。在MIMO无线通信系统中，传统的信道状态信息反馈方法存在严重的缺点。目前MIMO信道状态信息反馈中传统的研究方法，这些传统方法已广泛应用到通信中，但存在很多缺点。首先，它们严重依赖于假设信道是稀疏的。然而，通道在任何基础上都不是完全稀疏的，甚至可能没有可解释的结构。其本文档来自技高网...

【技术保护点】
1.基于抗拟合深度学习的MIMO信道状态信息反馈方法，其特征在于包括以下步骤：/n(1)构建AOCN模型，利用卷积神经网络作为编码器和解码器，卷积神经网络可以通过加强相邻层神经元之间的局部连接模式来利用空间局部相关性，信道矩阵H的实部和虚部作为AOCN模型的输入；/n(2)信道矩阵H数据进入编码器，编码器位于发送数据的用户端，将信道矩阵H编码为一个低维度的数据，编码器包含卷积层和全连接层；/n(3)数据经过编码后进入反馈链路，到达接收端；/n(4)在接收端的基站，解码器开始进行译码，将编码端低维的数据进行从新构建；接收端的解码器包含抗拟合层，全连接层、RefineNet层、卷积层,输出预测的信...

【技术特征摘要】
1.基于抗拟合深度学习的MIMO信道状态信息反馈方法，其特征在于包括以下步骤：
(1)构建AOCN模型，利用卷积神经网络作为编码器和解码器，卷积神经网络可以通过加强相邻层神经元之间的局部连接模式来利用空间局部相关性，信道矩阵H的实部和虚部作为AOCN模型的输入；
(2)信道矩阵H数据进入编码器，编码器位于发送数据的用户端，将信道矩阵H编码为一个低维度的数据，编码器包含卷积层和全连接层；
(3)数据经过编码后进入反馈链路，到达接收端；
(4)在接收端的基站，解码器开始进行译码，将编码端低维的数据进行从新构建；接收端的解码器包含抗拟合层，全连接层、RefineNet层、卷积层,输出预测的信道矩阵；
(5)AOCN模型构建完成后，将模型进行离线训练，首先初始化模型参数，误差收敛后保存模型，最后将训练好保存的AOCN模型在线进行预测信道状态信息。


2.根据权利要求1所述的基于抗拟合深度学习的MIMO信道状态信息反馈方法，其特征在于：步骤(2)所述包括：
在编码器的卷积层，这一层使用尺寸为3×3的内核来生成两个特征图；在卷积层之后，我们将特征图重塑成一个向量，并使用一个全连接层来生成码字s，这是一个大小为M×1的向量；卷积层和全连接层模拟压缩感知的投影并充当编码器。


3.根据权利要求1所述的基于抗拟合深度学习的MIMO信道状态信息反馈方法，其特征在于：步骤(4)所述的解码器工作流程表示为：
在接收端获得码字s，随后使用神经网络层(作为解码器)将其映射回通道矩阵H；解码器的第一层为抗拟合层，我们加入随机失活算法，其方法为在每一个训练周期随机丢掉一定比例的节点信息，也就是将一定比例的上一层输出在这次的训练阶段变零，让下一层的节点根据剩下的信息决定数值；第二层是一个以经过随机失活处理的s为输入，输出两个大小为Nc×Nt的矩阵的全连通层，作为H的实部和虚部的初始估计；然后，初始估计数被输入到几个不断细化重建的细分网络单元中；Re...

【专利技术属性】
技术研发人员：李鑫滨，赵海红，韩赵星，于海峰，骆曦，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13